原始文章

這篇評論探討了深度學習模型在蛋白質結構生物學中的影響,包括卷積神經網絡、語言模型、去噪擴散模型和圖神經網絡。文章指出,蛋白質可以從序列、圖像或圖形等不同角度分析,並建議使用特定的深度學習技術。內容涵蓋蛋白質結構預測、逆摺疊、蛋白質設計及小分子設計等進展,對實驗結構生物學家及相關領域的研究者來說,都是非常有價值的資源。 PubMed DOI


站上相關主題文章列表

大型語言模型(LLMs)在醫學和臨床資訊學中扮演重要角色,能幫助突破和個人化治療。透過分析複雜的生物數據,揭示基因組學、蛋白質結構和健康記錄中的隱藏模式,對基因組分析、藥物開發和精準醫學有所助益。然而,必須面對數據偏見、隱私和道德等挑戰,才能負責任地應用。克服這些障礙將帶來分子生物學和製藥研究的重大進展,造福個人和社區。 PubMed DOI

最近,人工智慧和自動化的進展正在徹底改變催化劑的發現與設計,從傳統的試錯方法轉向更高效的高通量數位方法。這一變化主要受到高通量信息提取、自動化實驗、實時反饋和可解釋機器學習的驅動,促成了自駕實驗室的誕生,加速了材料研究的進程。近兩年,大型語言模型的興起也為這個領域帶來了更大的靈活性,改變了催化劑設計的方式,標誌著學科的革命性轉變。 PubMed DOI

這項研究探討了GPT-4在基本結構生物學任務上的表現。研究人員讓GPT-4創建20種氨基酸和一條α-螺旋多肽的3D模型,並用Wolfram進行數學計算。他們還分析了抗病毒藥物nirmatrelvir與SARS-CoV-2主要蛋白酶的結構互動。結果顯示,生成的結構大多與實驗數據一致,雖然在某些複雜分子上會有錯誤。總體來看,GPT-4在結構生物學建模和原子尺度互動分析上仍具有效性,儘管有些限制。 PubMed DOI

ProtChat是一個創新的AI多代理系統,專門用於蛋白質分析,結合了蛋白質大型語言模型和像GPT-4這樣的技術。它能自動化複雜任務,如預測蛋白質特性和分析蛋白質-藥物相互作用,大幅減少人力需求。即使沒有計算背景的研究人員也能輕鬆使用,提升分析效率。實驗結果顯示,ProtChat能快速且準確地處理蛋白質相關任務,為計算生物學和藥物發現開創新機會。其程式碼和數據已在GitHub上公開,鼓勵更多人探索應用。 PubMed DOI

最近,人工智慧(AI)和深度學習(DL)在醫療保健領域的進展非常顯著,尤其是大型語言模型(LLMs)的應用。這些模型改善了研究人員與AI系統的溝通,特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新,並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色,助力突破性製藥的進展。 PubMed DOI

在2021年,AlphaFold 2 在蛋白質摺疊問題上取得重大突破,能準確預測超過兩億種蛋白質的三維結構,為大型語言模型(LLMs)在生命科學的應用鋪路。最近,我們進入一個新階段,這些先進的基礎模型在龐大數據集上預訓練,能處理蛋白質、RNA、DNA等生物分子的結構與相互作用。與傳統模型不同,新的生命大型語言模型(LLLMs)整合了多種分子生物學的知識,例如Evo模型,能預測基因變異對分子結構的影響,甚至生成新的DNA序列。 PubMed DOI

蛋白質語言模型(pLMs)正逐漸成為理解蛋白質序列及其功能的重要工具,特別是在預測分子功能方面,如識別結合位點和評估基因變異影響。不過,單靠pLM嵌入在蛋白質結構預測上仍無法與最佳方法相提並論。透過微調這些pLM,可以提升其效率和準確性,尤其在實驗數據不足的情況下。總的來說,pLM為計算生物學與實驗生物學的整合鋪路,預示著蛋白質設計的新時代。 PubMed DOI

這篇評論探討語言模型在蛋白質設計中的應用,將蛋白質視為氨基酸序列,類比於語言模型處理句子中的單詞。文章介紹蛋白質語言模型的基本概念,強調最近的進展,如上下文設計和結構信息整合,並討論目前的限制。此外,評論還建議未來的研究方向,以提升蛋白質語言模型,改善設計結果。 PubMed DOI

**重點摘要:** 深度學習已經徹底改變了蛋白質結構預測的領域,成功彌補了大量蛋白質序列與有限實驗決定結構之間的落差。這篇綜述整理了主要的資料庫、深度學習與大型語言模型在蛋白質結構預測上的最新進展,並討論了這個領域未來的挑戰與機會,特別強調其對藥物發現與開發的影響。 PubMed DOI

生成式AI正加速新藥研發,能深入分析複雜生物和化學資料。這篇綜述介紹主流AI模型、分子表徵和評估方式,並說明在蛋白質交互、藥物設計等應用。雖然潛力大,但還有模型解釋性差、資料不足等挑戰。文中也建議用混合模型、資料增強、雲端運算等方法來突破,並強調跨領域合作的重要性。 PubMed DOI